PENERAPAN IoT (Internet of Things) TERHADAP RANCANG BANGUN SISTEM PERINGATAN BATASAN KECEPATAN DAN PENDETEKSI LOKASI KECELAKAAN BAGI PENGENDARA SEPEDA MOTOR BERBASIS ARDUINO
Bibliographic record
Abstract
Sepeda motor merupakan transportasi yang umumnya banyak digunakan oleh masyarakat dalam bepergian atau bekerja.Berkendara dengan sepeda motor merupakan hal yang praktis untuk menghindari kemacetan pada kawasan perkotaan. Menurut data dari Satlantas Polres Malang, untuk wilayah Kabupaten Malang selama Januari 2020 kemarin, angka laka lantas bertengger di 69 kejadian. Kepala Unit (Kanit) Laka Satlantas Polres Malang, Ipda Agus Yulianto menyampaikan, Januari 2021 terdapat 37 kasus laka lantas di Kabupaten Malang. (Ajeng Jasita Ingtyas , Lionita, 2021). Adapun faktor yang dapat menyebabkan terjadinya kecelakaan tersebut disebabkan oleh pengendara sepeda motor yang ugal-ugalan dan mengendarai kendaraan dengan kecepatan tinggi. Hal ini perlu diperhatikan agar baiknya berkendara tidak melebihi dari 50km/jam pada kawasan perkotaan. Adapun faktor yang dapat menyebabkan terjadinya kecelakaan tersebut disebabkan oleh pengemudi yang ugal-ugalan dan mengendarai kendaraan dengan kecepatan tinggi. Karena hal itu perlu disikapi oleh pengemudi yang setiap hari megendarai kendaraan mereka. Hal ini perlu diperhatikan agar baiknya berkendara tidak melebihi dari 50km/jam pada kawasan perkotaan. Karena jika sudah melebihi batas kecepatan tersebut akan berdampak pada resiko kecelakaan. Dari penelitian tersebut dapat mengembangkan suatu alat yang dapat memberikan informasi kecepatan sepeda motor kepada pengendara. Sensor LM393 digunakan sebagai pendeteksi kecepatatan dengan rata-rata persentase eror 7,71%. Jika kecepatan sepeda motor tersebut melaju diatas 50 km/j maka akan memberikan peringatan kepada pengendara dengan buzzer berbunyi dan sensor MPU6050 digunakan sebagai deteksi nilai kemiringan suatu sepeda motor dengan rentang 600 - 1200 sebagai batas aman kemiringan sepeda motor. Modul Neo-6M dapat mendeteksi titik lokasi koordinat jika pengendara sepeda motor mengalami kecelakaan dengan baik dengan hasil selisih jarak yang dihasilkan paling dekat adalah 4,44 meter dan selisih jarak paling jauh adalah 10,00 meter dan rata-rata jarak sejauh 6,66 meter. Pada website yang dibuat memiliki fitur monitoring untuk melihat data terbaru dari hasil deteksi sensor. Berdasarkan pengujian terhadap sensor dan fitur pada website monitoring sepeda motor dapat berjalan dan bekerja dengan baik. Berdasarkan pengujian terhadap pengguna diketahui telah sesuai dengan kebutuhan.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.023 | 0.009 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".